基于近邻消息传递的自适应局部线性嵌入

针对局部线性嵌入(LLE)降维算法中邻域参数的人工设定及其全局性的缺陷,研究了聚类和降维的内在联系,提出了邻域参数的自适应选取策略,构建了一种聚类和降维的自适应局部线性嵌入(ALLE)算法,为每个样本点设计最佳的近邻搜索空间,自适应选取邻近点计算权值重建矩阵,基于类信息重新定义了重构误差函数。实验表明,新算法更能体现出数学上流形概念的局部坐标化本质,对不相关数据、冗余数据和噪声数据具有良好的鲁棒性,在实际识别问题中体现出优越的性能。     

自适应局部稀疏线性嵌入降维算法

针对局部线性嵌入近邻选取和权重矩阵奇异的问题,提出一种自适应局部稀疏线性嵌入降维算法。采用稀疏度自适应匹配追踪求解权重矩阵,利用匹配追踪的残差迭代出近邻点的权重,避免权重矩阵求解过程中引起的奇异问题。通过样本重构的残差大小,自适应地选取合适的近邻点个数,对邻域进行二次选择,保留更多的样本结构信息。实验结果表明,该算法的分类正确率均高于其他降维算法,同时也缩短了运行时间。     

基于多尺度稀疏近邻图的近邻保持嵌入算法

针对近邻保持嵌入算法NPE中构造近邻图所存在的缺陷,提出了基于多尺度稀疏近邻图的近邻保持嵌入算法.对于每个待识别的人脸图片,该方法都建立一个具有九个尺度的图像金字塔,并且计算金字塔中每个尺度的图片与其他图片金字塔对应尺度的稀疏近邻.利用稀疏表示算法抗遮挡的特性,通过计算样本多尺度近邻的方法克服了传统方法丢失人脸图片二维结构的缺点.结果表明,该算法具有较强的鲁棒性,比传统的NPE算法具有更好的识别效果.     

优化的近邻保持嵌入算法在人脸识别中的应用

为验证优化的近邻保持算法(ONPE)在人脸识别中的应用价值,在NPE算法基础之上,ONPE对数据类内和数据类间的信息分别进行了优化,以使在低维重建时同一数据类间相互靠拢,不同数据类间相互分离。将ONPE算法应用于手工流形和Fery face人脸库进行实验。结果表明：在样本点不足且不连续的情况下,ONPE可以对手工流形有很好的降维效果,并且对人脸表情数据也有很好的识别分类效果。因此,优化的近邻保持嵌入算法具有较强的实用性和有效性。     

自适应属性加权近邻传播聚类算法

针对多维数据属性对聚类分析结果有不同重要程度影响的问题,提出一种基于自适应属性加权的近邻传播聚类算法。该方法通过考虑多维数据属性权值的重要度,在近邻传播聚类过程中引入属性加权相似性矩阵计算,并根据当前数据聚类划分的结果来分析目标评价函数,计算各个属性对当前聚类的贡献程度。随后根据贡献程度的计算结果自适应地更新属性权值,并通过属性加权相似性矩阵来重新计算近邻传播算法中的两种竞争信息,进而提高聚类结果的质量。数值实验结果表明,新方法能够有效实现属性权值的自适应调整,提高近邻传播算法的聚类效果,与其他传统聚类算法相比新方法具有更好的聚类质量。     

应用监督局部线性嵌入算法的科技项目质量评价

针对科技项目管理指标的数据维度高且相互影响而呈现出的复杂非线性关系为准确评价和科学管理带来挑战的现状,同时考虑到传统数据降维算法大多对非线性数据映射效果较差,采用监督局部线性嵌入算法,通过数据样本类别信息修改距离公式进行特征维数计算以获得科技项目的真实低维数据。实验结果表明:与传统算法相比,该算法预处理的样本在分类方面具有较高的准确率。     

基于费希尔信息度量的随机近邻嵌入算法

为提高文本分类的准确率,提出了费希尔信息度量随机近邻嵌入算法( Fisher information metric based on stochastic neighbor embedding, FIMSNE)。首先,把文本的词频向量看作统计流形上的概率密度样本点,利用费希尔信息度量计算样本点之间的距离;然后,从信息几何的观点出发,对 t 分布随机近邻嵌入( t-stochastic neighbor embedding, t-SNE)进行改进,实现了新算法。真实文本数据集上的二维嵌入和分类实验的结果表明：FIMSNE的性能在总体上优于t-SNE、费希尔信息非参数嵌入( Fisher information nonparametric embedding,FINE)和主成分分析( principal components analysis,PCA)。     

基于人类视觉系统的自适应水印嵌入算法

为了保证水印算法的良好性能，在许多文献中提出自适应水印技术。但是，大多数算法根据单一参数对图像块进行分类，无法实现最优嵌入。为此，提出了一种新颖的基于DCT变换域的自适应数字水印嵌入算法。该算法首先将原始图像块按照图像块的多个特性参数分成不同的类，在嵌入过程中考虑到人类视觉系统（HVS）的特点，在不同类的块中嵌入不同的水印能量，从而使算法具有自适应能力。仿真实验表明，该算法对常见的一些数字图像处理操作具有较强的鲁棒性，同时能保证含水印图像的质量。     

基于小波域数据块局部线性嵌入的数字水印

传统的数字水印对压缩攻击具有较好的鲁棒性,但对几何攻击仅仅在一定程度上具有稳定性,本文针对传统方法的不足提出了基于小波域数据块线性嵌入的数字水印。利用局部线性嵌入算法具有平移、旋转和缩放不变性,将水印信息序列嵌入到图像小波域数据块线性嵌入的重构系数中,而不将水印序列嵌入在图像像素值或变换系数中。因此本算法对裁剪攻击具有较强的鲁棒性,同时水印嵌入位置和嵌入强度均由原始图像信息分布决定。实验结果表明,本算法不增加嵌入水印序列信息量,降低了对原始图像的要求,提高旋转、平移、缩放和裁剪攻击的鲁棒性。     

基于可变k近邻LLE数据降维的图像检索方法

在基于内容的图像检索中,其计算复杂度随着描述图像内容的特征向量的维数的增加而急剧增加,而应用局部嵌入算法(LLE)进行数据降维时,需要确定近邻点k的个数。根据图像特征在原空间的分布情况,提出了一种可变k近邻LLE的数据降维方法,使得降维后的特征向量有效地保持了其在高维空间中的拓扑结构。实验结果表明,提出的可变k近邻LLE数据降维方法在基于内容的图像检索中有较高的检索准确率。     

基于支持向量机的局域线性嵌入算法在图像检索中的应用

SVM算法复杂度与样本维数无关,具有的泛化能力强、分类精度高的特点,而LLE是有效的非线性降维方法,本文利用支持向量机（SVM）算法对局域线性嵌入（LLE）算法进行改进,有效地解决了基于内容的图像检索中的高维特征向量的降维问题,实验表明具有较高的查全率和查准率。     

Locally linear discriminant embedding with nonparametric method

局部线性判别嵌入（locally linear discriminant embedding,LLDE）将局部线性嵌入（locally linear embedding,LLE）和最大间隔（maximum margin criterion,MMC）进行融合,有效地提高了LLE算法的识别力。但其保留的是数据的全局判别信息,且依赖数据的分布。针对LLDE的不足,本研究将LLE和加权非参数最大间隔（weighted non-parametric maximum margin criterion,WNMMC）进行融合,提出了一种新的有监督的降维方法——非参数判别性局部线性嵌入（nonparametric locally linear discriminant embedding,NLLDE）。NLLDE保留了数据更为有效的局部判别信息,因此更具判别力。NLLDE采用了非参数数据表示,使得模型及求解不依赖于数据的分布,克服了LLDE针对高斯分布数据有效的局限,其应用范围更为广泛。Yale和PIE人脸数据库上的实验结果证实了NLLDE的高效性。     

一种相似子空间嵌入算法

通过对经典的线性判别分析(Linear Discriminant Analysis, LDA)及最大边界准则(Maximum Margin Criterion, MMC)方法的分析,提出一种类内子空间深入学习的监督降维方法——相似子空间嵌入(Similarity Subspace Embedding, SSE),对类内离散度矩阵进行深入学习,得到每类的类内离散度子空间,通过对所有类内离散度子空间的学习,获得信息更为丰富的类间离散度矩阵,进而得到更好的低维空间。与MMC方法相比,SSE方法对类内数据学习更充分,同时避免了LDA方法存在的小样本问题。在AR人脸图像、Coil数据集及手写体上的试验结果表明,与其它三种相关的经典方法相比, SSE方法具有较高的识别率,说明了该方法的有效性。     

一种稳健的非刚性医学影像配准方法

提出了一种基于局部线性嵌入(LLE)和改进的L-BFGS优化算法的非刚性配准新方法．该方法首先计算影像不同方向上的定序特征,用于补充传统互信息测度中缺失的空间结构信息;然后,运用LLE方法及其逆映射对高维定序特征进行降维和融合;进而结合影像灰度信息构造了一种基于混合熵的配准测度,有效保证了配准测度函数的光滑性和收敛性;最后,采用改进的L-BFGS优化方法搜索最优配准参数．多组仿真数据的测试结果表明,在噪声情况下,所提方法具有精度高、鲁棒性强的特点,优于现有几种方法．     

基于流形学习的车牌图像超分辨率算法

为了解决视频监控系统中车牌图像分辨率较低、车牌字符难以辨识的问题,提出一种基于流形学习的车牌图像超分辨率重建算法。首先学习训练样本库中高、低分辨率图像之间的映射关系,然后利用线性判别分析(Linear Discriminant Analysis,LDA)算法提取图像特征,并利用流形学习中的局部线性嵌入(Locally Linear Embedding,LLE)算法对特征向量进行参数建模,最后通过特征映射关系获得高分辨率图像。实验表明,该方法对监控系统中的低分辨率车牌图像具有较好的超分辨率复原效果,不仅提高了字符的可读性,而且具有更高的峰值信噪比。     

基于自适应性窗口的分段线性表示算法

为了降低基于固定窗口进行分段线性表示的拟合误差，通过分析抽象出时间序列数据中存在的6种不同数据变化模式，以此设计自适应性窗口装载不同模式数据并求解分段点，从而形成了基于自适应窗口的分段线性表示算法（AW PLR算法）.基于真实GPS浮动车数据及通用实验数据的结果表明，AW PLR算法能够通过调整波动阈值r控制压缩率和拟合误差，且在相同压缩率的情况下，AW PLR算法比SEEP算法平均降低约24%~27%的拟合误差.     

基于全局距离和类别信息的邻域保持嵌入算法

提出一种基于全局距离和类别信息的邻域保持嵌入算法。该方法在使用欧氏距离构造邻域图中,加入表征全局距离的全局因子和表示类别信息的函数项,全局因子可以使分布不均匀的样本变得平滑均匀,类别信息可以使同类样本点紧凑异类样本点疏离,通过提高所选邻近点的质量,优化数据的局部邻域,使降维后的数据具有更好的可分性。试验结果表明,该算法具有较高的准确率,优于传统的邻域保持嵌入算法。     

条件过滤器的自适应排序调度策略

将非线性流形学习的思想引入到语音特征降维中,设计完成了局部投影(Locality Preser-ving Projections,LPP)算法,并针对该算法对降至的目的维度敏感的缺点提出了一种加权局部投影(Weighted Locality Preserving Projections,WLPP)算法。对LPP算法及WLPP算法进行了实验,实验证明LPP算法在对语音特征降维后也能有较高的准确率,同时,也证明了WLPP算法可以大大降低LPP算法对目的维度的敏感度。